机床与液压

作者：张佳强，陈辉庆，王一雄，许洪振，张洪铭

单位：桂林理工大学广西高校先进制造与自动化技术重点实验室；桂林理工大学机械与控制工程学院；桂林理工大学广西高校先进制造与自动化技术重点实验室；桂林理工大学机械与控制工程学院；桂林理工大学广西高校先进制造与自动化技术重点实验室；桂林理工大学机械与控制工程学院；桂林理工大学广西高校先进制造与自动化技术重点实验室；桂林理工大学机械与控制工程学院；桂林理工大学广西高校先进制造与自动化技术重点实验室；桂林理工大学机械与控制工程学院

关键词：通道注意力机制;自监督学习;路径规划;PID控制系统

基金：桂林理工大学科研启动基金项目（GUTQDJJ 6615028）；广西高校中青年教师科研基础能力提升项目(2020KY06020)

针对移动机器人在动态复杂环境中路径规划时存在的避障精度低、环境适应性差等问题，提出一种通道注意力机制增强的自监督深度?Q?网络 (CSADQN)算法。该算法通过融合深度学习与动态环境感知技术，增强对动态障碍物的特征识别能力与路径规划效率。具体改进包括：在深度?Q?网络中嵌入通道注意力机制，通过对多模态环境图进行加权处理，强化对障碍物分布特征的提取；建立基于自监督学习的动态环境模拟机制，结合机器人运动反馈优化策略迭代；对传统人工势场法进行改进，采用闭环PID控制替代势场引力，并设计动态自适应斥力场模型，实现避障安全性与轨迹平滑性的平衡。在二维动态障碍物仿真环境中开展对比实验。实验结果表明：CSADQN算法的路径长度为37.88 m，相比DQN、ADQN、CDQN算法分别减少了4.97、3.15、2.68 m；拐点数量为15个，分别减少了7、3、1个；算法运行时间为190.3 s，运行效率分别提升了8.8%、5.5%、3%。所提CSADQN算法通过多模态感知增强、动态环境建模与控制架构优化，有效提升了移动机器人在动态环境中的自主避障性能。

来源：2026年第5期

《机床与液压》期刊编辑部

查看机床与液压杂志2026年第5期